Notice bibliographique
Résumé
In the investigative setting, police must often decide whether multiple crimes have been committed by a single offender.Using a variety of statistical techniques, studies have shown that it is possible to link serial crimes in a relatively accurate fashion using behavioural information (i.e., a process often referred to as behavioural linkage analysis; BLA).Despite this, practitioners often resist using these techniques, in a similar fashion to how clinical psychologists often resist actuarial techniques.In an attempt to develop an approach to BLA that may be better received by end users, this dissertation explored how classification trees (CTs) can be used to link serial crimes.Specifically, three variations of a CT approach were explored: a standard, single CT, an iterative CT (ICT), and the combination of multiple standard CTs and/or ICTs (i.e., a multiple model approach).Using separate samples of serial break and enters from Saint John, New Brunswick (N = 170) and serial sexual assaults from Quebec (N = 260), the ability of these approaches to link serial crimes were compared to one of the most commonly employed statistical approaches to BLA: main-effects logistic regression analysis.Generally, results revealed that all statistical approaches achieved high (and similar) levels of predictive accuracy; however, a number of potential advantages of a simple, standard CT approach were identified (e.g., transparency and ease-of-use).The findings reported in this dissertation have implications for BLA researchers (e.g., how behavioural domains are defined, how crime samples are selected, etc.) and police practitioners (e.g., the availability of a userfriendly statistical linking tool, the need for better data collection protocols, etc.).However, before a CT-based approach to BLA is implemented in practice, future research is required to address some of the limitations of the current research.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,011 | 0,049 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,007 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».